R³ / ИССЛЕДОВАНИЕ 001 · ВЕРСИЯ 1.0
Главное за одну минуту
Мы проверили, как один и тот же объект представлен в четырёх генеративных системах при одинаковом наборе пользовательских вопросов.
Для исследования использованы 56 ответов: 4 системы × 14 заранее зафиксированных запросов.
Главный результат: ИИ не формирует один постоянный «образ компании». Представление меняется в зависимости от системы и от того, что именно спрашивает человек. Когда бренд уже назван, объект может хорошо распознаваться. Когда пользователь ещё не знает компанию и просит рекомендовать подходящий вариант, та же компания может вообще не появляться в ответе.
Одновременно один устойчивый кризисный сюжет способен переходить из прямых вопросов о рисках в репутационные, транзакционные и рекомендательные сценарии.
| Ключевой вывод Репутацию компании в ИИ нельзя корректно оценить одним вопросом вроде «Что ты знаешь об этой компании?». Нужны как минимум четыре слоя измерения: видимость компании → устойчивые нарративы → источники → фактическая корректность ответа. |
|---|
Что мы хотели выяснить
Генеративный поиск меняет привычную механику проверки компании. В классическом поиске пользователь сам проходит через несколько источников: официальный сайт, поисковую выдачу, карты, отзывы, публикации, агрегаторы и обсуждения. После этого он самостоятельно собирает общую картину.
ИИ способен сделать часть этой работы вместо человека: пользователь задаёт вопрос и получает уже синтезированный ответ.
Исследовательский вопрос: из чего именно ИИ собирает представление о компании — из собственных материалов бренда, внешних источников, повторяющихся нарративов, сущностной архитектуры или их комбинации?
- как меняется представление в зависимости от намерения пользователя;
- попадает ли компания в безбрендовые рекомендации;
- какие рисковые сюжеты переносятся между разными вопросами;
- какую роль играют собственные и внешние источники;
- насколько системы корректно разделяют связанные сущности;
- возникают ли в синтезированном ответе факты и выводы, которые исходные данные не подтверждают.
Как проводилось исследование
Один объект, четыре системы, один корпус вопросов
Для исследования использовался один анонимизированный девелоперский проект. Название объекта и идентифицирующие данные в публичной версии не раскрываются: предметом анализа является поведение информационной среды, а не публичная оценка конкретного клиента.
| Система | Число запросов |
|---|---|
| ChatGPT | 14 |
| Яндекс ИИ | 14 |
| Google AI Mode | 14 |
| Perplexity | 14 |
| Всего | 56 |
Главное методическое условие — одинаковый реестр вопросов. Формулировки не менялись от системы к системе. Это позволило сравнивать реакции разных генеративных систем на одни и те же пользовательские сценарии.
Какие вопросы задавались
Брендовые — 2 запроса
Проверяли базовую узнаваемость объекта и способность системы корректно описать его, когда пользователь уже знает название.
Репутационные — 2 запроса
Проверяли, какую общую картину ИИ формирует при вопросах о репутации, опыте клиентов и публичном фоне.
Риск-запросы — 3 запроса
Проверяли, какие проблемные, кризисные или проверочные сюжеты система считает значимыми.
Транзакционные — 2 запроса
Приближали ситуацию к реальному решению: что необходимо учитывать перед выбором и какие преимущества или ограничения видит система.
Безбрендовый выбор — 2 запроса
Компания заранее не называлась. Пользователь описывал потребность, а система должна была самостоятельно сформировать набор подходящих вариантов.
Сущностные — 3 запроса
Проверяли, насколько корректно системы различают сам проект, связанные компании, управляющие структуры и другие сущности.
Результат 1. ИИ может знать компанию, но не рекомендовать её
Наличие компании в ответах на брендовые запросы не означает, что она входит в безбрендовый выбор. В двух сценариях безбрендового выбора результаты распределились следующим образом:
| Система | Включение проекта в безбрендовый выбор |
|---|---|
| ChatGPT | 2 из 2 |
| Google AI Mode | 1 из 2 |
| Яндекс ИИ | 0 из 2 |
| Perplexity | 0 из 2 |
Выборка безбрендового выбора здесь небольшая, поэтому значения 2/2 или 0/2 нельзя превращать в универсальную оценку систем. Но различие уже подтверждено на уровне базового среза: узнаваемость и попадание в безбрендовый выбор — разные характеристики.
Для GEO/AEO вопрос «видит ли меня ИИ?» необходимо разделять как минимум на два: может ли система корректно рассказать о компании, когда её назвали, и может ли система сама включить её в подходящий набор, когда пользователь ещё не знает бренд.
Результат 2. Репутационный риск способен выйти за пределы прямого вопроса о проблеме
В исследуемой среде существовал устойчивый посткризисный сюжет, связанный с инфраструктурным инцидентом, парковкой и последствиями события. Сюжет воспроизводился во всех четырёх системах.
В базовом срезе ChatGPT как минимум один отслеживаемый риск присутствовал в 11 из 14 ответов. Он возникал не только в специальных запросах о рисках, но и в репутационных, транзакционных и сценариях безбрендового выбора.
Когда один и тот же смысл появляется в ответах на вопросы «стоит ли рассматривать объект?», «что проверить?» или «какие варианты подойдут?», он становится частью обычной процедуры принятия решения. В версии 1.0 мы называем это переносом репутационного нарратива между интентами.
Результат 3. Все четыре системы сохраняли кризис как репутационно незакрытый
В рамках зафиксированного базового среза все четыре системы позволяли сделать общий вывод: факт предпринятых мер не стал эквивалентом полного репутационного закрытия кризиса.
Проблема может быть технически устранена, компания может предпринять операционные действия, но публичная среда ещё не обязательно содержит достаточно сильный и подтверждённый ответ на вопросы о причинах, результате, последствиях и независимом подтверждении закрытия.
| Различие Операционное исправление и информационное закрытие — не одно и то же. |
|---|
Результат 4. Собственные источники хорошо объясняли продукт. Внешние источники — риск
В продуктовых сценариях собственные материалы проекта давали ИИ основу для описания предложения. В вопросах о рисках центр тяжести смещался к внешним публикациям, надзорным материалам, отзывам и другим независимым источникам.
Возникла асимметрия: собственные источники объясняют, почему продукт стоит выбрать; внешние источники объясняют, чего следует опасаться.
В методологии R³ это информационный разрыв: проблема не обязательно в нехватке позитивного контента, а в том, что по критическому вопросу внешняя среда даёт более конкретный и доказательный ответ, чем сама компания.
Результат 5. ИИ может усиливать вывод по сравнению с исходными данными
Генеративная система не просто выбирает готовую фразу из источника — она синтезирует ответ. Поэтому ошибка может возникнуть и между несколькими корректными или частично корректными источниками, в процессе их объединения.
Неподтверждённый бизнес-вывод
В одном из ответов Яндекс ИИ появилось утверждение о снижении продаж. В исследовательской базе не было CRM-данных или другой информации, позволяющей установить такую причинную связь. Сам кризис был реальным, но переход от «существовал кризис» к «из-за него снизились продажи» являлся дополнительным выводом системы.
Расходящиеся числовые оценки
Google AI Mode в разных сценариях воспроизводил существенно отличающиеся денежные оценки одного и того же кризисного события. Это показывает, что числовую фактологию в ответах ИИ необходимо контролировать отдельно.
Смешение корпоративных сущностей
В другом ответе система сформировала корпоративную связь между несколькими сущностями, которая не была подтверждена канонической архитектурой сущностей проекта. Для GEO/AEO это отдельная задача согласованности сущностей: кто является девелопером, что является проектом, кто продаёт, кто управляет и как эти связи представлены на собственных и внешних ресурсах.
Результат 6. Конкретный факт может оказаться сильнее большого массива общего позитива
Общий позитивный фон и большое количество маркетингового контента не обязательно нейтрализуют конкретный проблемный факт. Отдельные замечания по строительству и качеству могли получать заметное место в ответах, если существовали конкретное описание, независимый источник, пользовательское подтверждение и возможность связать факт с конкретной сущностью.
Сравнительно небольшой по охвату материал способен влиять на проверочный ответ сильнее, чем десятки общих сообщений о преимуществах проекта.
Что исследование показывает для GEO/AEO
Для репутационной задачи GEO/AEO нельзя сводить к вопросу «как чаще попадать в ответы ИИ?». Компания может уже присутствовать в ответах — и это присутствие может быть проблемным.
| Слой | Что измеряется |
|---|---|
| Видимость | Появляется ли компания, продукт или связанная сущность в релевантном ответе |
| Безбрендовый выбор | Попадает ли компания в набор вариантов, когда пользователь ещё не знает бренд |
| Качество ответа | Насколько корректно и полно система описывает компанию |
| Перенос репутационных нарративов | Какие позитивные и негативные нарративы переходят в ответы и в каких сценариях |
Оптимизация только видимости способна привести к парадоксу: видимость растёт, но вместе с ней растёт и видимость риска.
Что именно необходимо измерять
- фиксированный корпус запросов;
- несколько значимых систем;
- брендовые и безбрендовые сценарии;
- отдельные запросы о рисках и транзакционные сценарии;
- сохранение полных ответов;
- фиксацию источников;
- разметку самостоятельных утверждений;
- контроль фактологической корректности;
- контроль сущностей;
- повторный замер на сопоставимых условиях.
Что исследование не доказывает
Версия 1.0 построена на одном анонимизированном девелоперском проекте. Поэтому конкретные доли и характер ответов нельзя автоматически переносить на любую компанию.
56 ответов — полный базовый срез по установленному дизайну исследования, но не статистическая выборка всего рынка генеративного поиска. Каждый ответ являлся отдельным запуском; отдельное исследование стохастической вариативности одной и той же модели через десятки повторов не проводилось.
Исследование также не доказывает, что конкретный ответ ИИ привёл к покупке или отказу. Для этого необходим следующий слой: видимость в ИИ → пользовательское действие → CRM / воронка → результат.
Вывод исследования
- Узнаваемость бренда в ИИ и его способность попадать в безбрендовый выбор — разные характеристики.
- Устойчивый репутационный сюжет способен переходить между интентами и появляться не только там, где пользователь специально ищет негатив.
- Исправление самой проблемы не гарантирует её информационного и репутационного закрытия.
- Собственные источники могут хорошо объяснять продукт и одновременно уступать внешней среде в объяснении риска.
- Генеративная система способна добавить к исходным сведениям собственный синтез: чрезмерное обобщение, неподтверждённую причинность, ошибочную сущностную связь или нестабильную числовую оценку.
| Главный практический вывод Репутация компании в ИИ — это не вопрос присутствия. Это вопрос того, что именно машина способна доказательно собрать о компании и какой вывод она из этого формирует. Объект управления: источник → сущность → утверждение → подтверждение → нарратив → ответ ИИ. |
|---|
Исследование продолжается
Текущая версия 1.0 завершена. Все выводы относятся к зафиксированной выборке, указанным системам, корпусу из 14 запросов и периоду базового измерения.
ЭР КУБ продолжит проверять, как меняется представление компаний в ИИ в других отраслях, насколько устойчивы обнаруженные закономерности, как различаются брендовая узнаваемость и безбрендовый выбор, как меняется набор источников после появления новых доказательных материалов, насколько стабильны ответы одной системы при повторных измерениях и как изменения поисковой и отзывной среды переходят в генеративные ответы.
Новые измерения не будут задним числом заменять эту версию. Они будут опубликованы как последующие версии исследования с отдельной датой, выборкой, методикой и описанием изменений.